【InternLM 实战营第二期-笔记5】LMDeploy 量化部署 LLM&VLM实战_llmdeploy mac 部署

---

theme: github

书生·浦语是上海人工智能实验室和商汤科技联合研发的一款大模型,很高兴能参与本次第二期训练营，我也将会通过笔记博客的方式记录学习的过程与遇到的问题，并为代码添加注释，希望可以帮助到你们。

记得点赞哟(๑ゝω╹๑)

1.LMDeploy环境部署

1.1 创建开发机

打开InternStudio平台，创建开发机。

填写开发机名称；选择镜像Cuda12.2-conda；选择10% A100*1GPU；点击“立即创建”。注意请不要选择Cuda11.7-conda的镜像，新版本的lmdeploy会出现兼容性问题。

排队等待一小段时间，点击“进入开发机”。

点击左上角图标，切换为终端(Terminal)模式。

1.2 创建conda环境

InternStudio开发机创建conda环境（推荐）

由于环境依赖项存在torch，下载过程可能比较缓慢。InternStudio上提供了快速创建conda环境的方法。打开命令行终端，创建一个名为lmdeploy的环境：

studio-conda -t lmdeploy -o pytorch-2.1.2
1

环境创建成功后，提示如下：

本地环境创建conda环境

注意，如果你在上一步已经在InternStudio开发机上创建了conda环境，这一步就没必要执行了。

打开命令行终端，让我们来创建一个名为lmdeploy的conda环境，python版本为3.10。

conda create -n lmdeploy -y python=3.10
1

环境创建成功后，提示如下：

1.3 安装LMDeploy

接下来，激活刚刚创建的虚拟环境。

conda activate lmdeploy
1

安装0.3.0版本的lmdeploy。

pip install lmdeploy[all]==0.3.0
1

等待安装结束就OK了！

2.LMDeploy模型对话(chat)

2.1 Huggingface与TurboMind

HuggingFace

HuggingFace是一个高速发展的社区，包括Meta、Google、Microsoft、Amazon在内的超过5000家组织机构在为HuggingFace开源社区贡献代码、数据集和模型。可以认为是一个针对深度学习模型和数据集的在线托管社区，如果你有数据集或者模型想对外分享，网盘又不太方便，就不妨托管在HuggingFace。

托管在HuggingFace社区的模型通常采用HuggingFace格式存储，简写为HF格式。

但是HuggingFace社区的服务器在国外，国内访问不太方便。国内可以使用阿里巴巴的MindScope社区，或者上海AI Lab搭建的OpenXLab社区，上面托管的模型也通常采用HF格式。

TurboMind

TurboMind是LMDeploy团队开发的一款关于LLM推理的高效推理引擎，它的主要功能包括：LLaMa 结构模型的支持，continuous batch 推理模式和可扩展的 KV 缓存管理器。

TurboMind推理引擎仅支持推理TurboMind格式的模型。因此，TurboMind在推理HF格式的模型时，会首先自动将HF格式模型转换为TurboMind格式的模型。该过程在新版本的LMDeploy中是自动进行的，无需用户操作。

几个容易迷惑的点：

• TurboMind与LMDeploy的关系：LMDeploy是涵盖了LLM 任务全套轻量化、部署和服务解决方案的集成功能包，TurboMind是LMDeploy的一个推理引擎，是一个子模块。LMDeploy也可以使用pytorch作为推理引擎。
• TurboMind与TurboMind模型的关系：TurboMind是推理引擎的名字，TurboMind模型是一种模型存储格式，TurboMind引擎只能推理TurboMind格式的模型。

2.2 下载模型

本次实战营已经在开发机的共享目录中准备好了常用的预训练模型，可以运行如下命令查看：

ls /root/share/new_models/Shanghai_AI_Laboratory/
1

显示如下，每一个文件夹都对应一个预训练模型。

以InternLM2-Chat-1.8B模型为例，从官方仓库下载模型。

InternStudio开发机上下载模型（推荐）

如果你是在InternStudio开发机上，可以按照如下步骤快速下载模型。

首先进入一个你想要存放模型的目录，本教程统一放置在Home目录。执行如下指令：

cd ~
1

然后执行如下指令由开发机的共享目录软链接或拷贝模型：

ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b /root/
# cp -r /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b /root/
1
2

执行完如上指令后，可以运行“ls”命令。可以看到，当前目录下已经多了一个internlm2-chat-1_8b文件夹，即下载好的预训练模型。

ls
1

由OpenXLab平台下载模型

注意，如果你在上一步已经从InternStudio开发机上下载了模型，这一步就没必要执行了。

上一步介绍的方法只适用于在InternStudio开发机上下载模型，如果是在自己电脑的开发环境上，也可以由OpenXLab下载。在开发机上还是建议通过拷贝的方式，因为从OpenXLab平台下载会占用大量带宽~

首先进入一个你想要存放模型的目录，本教程统一放置在Home目录。执行如下指令：

cd ~
1

OpenXLab平台支持通过Git协议下载模型。首先安装git-lfs组件。

• 对于root用于请执行如下指令：

curl -s https://packagecloud.io/install/repositories/github/git-lfs/script.deb.sh | bash
apt update
apt install git-lfs   
git lfs install  --system
1
2
3
4

• 对于非root用户需要加sudo，请执行如下指令：

curl -s https://packagecloud.io/install/repositories/github/git-lfs/script.deb.sh | sudo bash
sudo apt update
sudo apt install git-lfs   
sudo git lfs install  --system
1
2
3
4

安装好git-lfs组件后，由OpenXLab平台下载InternLM2-Chat-1.8B模型：

git clone https://code.openxlab.org.cn/OpenLMLab/internlm2-chat-1.8b.git
1

这一步骤可能耗时较长，主要取决于网速，耐心等待即可。

下载完成后，运行ls指令，可以看到当前目录下多了一个internlm2-chat-1.8b文件夹，即下载好的预训练模型。

ls
1

注意！从OpenXLab平台下载的模型文件夹命名为1.8b，而从InternStudio开发机直接拷贝的模型文件夹名称是1_8b，为了后续文档统一，这里统一命名为1_8b。

mv /root/internlm2-chat-1.8b /root/internlm2-chat-1_8b
1

2.3 使用Transformer库运行模型

Transformer库是Huggingface社区推出的用于运行HF模型的官方库。

在2.2中，我们已经下载好了InternLM2-Chat-1.8B的HF模型。下面我们先用Transformer来直接运行InternLM2-Chat-1.8B模型，后面对比一下LMDeploy的使用感受。

现在，让我们点击左上角的图标，打开VSCode。

在左边栏空白区域单击鼠标右键，点击Open in Intergrated Terminal。

等待片刻，打开终端。

在终端中输入如下指令，新建pipeline_transformer.py。

touch /root/pipeline_transformer.py
1

回车执行指令，可以看到侧边栏多出了pipeline_transformer.py文件，点击打开。后文中如果要创建其他新文件，也是采取类似的操作。

将以下内容复制粘贴进入pipeline_transformer.py。

import torch  # 导入PyTorch库，用于深度学习任务
from transformers import AutoTokenizer, AutoModelForCausalLM  # 导入transformers库中的AutoTokenizer和AutoModelForCausalLM类

tokenizer = AutoTokenizer.from_pretrained("/root/internlm2-chat-1_8b", trust_remote_code=True)  # 加载预训练的分词器

# 使用float16数据类型加载模型，加速运算并降低内存消耗
model = AutoModelForCausalLM.from_pretrained("/root/internlm2-chat-1_8b", torch_dtype=torch.float16, trust_remote_code=True).cuda()
model = model.eval()  # 将模型设置为评估模式，避免梯度计算和参数更新

inp = "hello"
print("[INPUT]", inp)  # 打印输入文本

# 使用模型进行对话，并获取响应和对话历史
response, history = model.chat(tokenizer, inp, history=[])
print("[OUTPUT]", response)  # 打印模型的响应文本

inp = "please provide three suggestions about time management"
print("[INPUT]", inp)  # 打印输入文本

# 使用模型进行对话，并获取响应和更新后的对话历史
response, history = model.chat(tokenizer, inp, history=history)
print("[OUTPUT]", response)  # 打印模型的响应文本
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

按Ctrl+S键保存（Mac用户按Command+S）。

回到终端，激活conda环境。

conda activate lmdeploy
1

运行python代码：

python /root/pipeline_transformer.py
1

得到输出：

记住这种感觉，一会儿体验一下LMDeploy的推理速度，感受一下对比~（手动狗头）

2.4 使用LMDeploy与模型对话

这一小节我们来介绍如何应用LMDeploy直接与模型进行对话。

首先激活创建好的conda环境：

conda activate lmdeploy
1

使用LMDeploy与模型进行对话的通用命令格式为：

lmdeploy chat [HF格式模型路径/TurboMind格式模型路径]
1

例如，您可以执行如下命令运行下载的1.8B模型：

lmdeploy chat /root/internlm2-chat-1_8b
1

下面我们就可以与InternLM2-Chat-1.8B大模型对话了。比如输入“请给我讲一个小故事吧”，然后按两下回车键。

速度是不是明显比原生Transformer快呢~当然，这种感受可能不太直观，感兴趣的佬可以查看拓展部分“6.3 定量比较LMDeploy与Transformer库的推理速度”。

输入“exit”并按两下回车，可以退出对话。

拓展内容：有关LMDeploy的chat功能的更多参数可通过-h命令查看。

lmdeploy chat -h
1

3.LMDeploy模型量化(lite)

本部分内容主要介绍如何对模型进行量化。主要包括 KV8量化和W4A16量化。总的来说，量化是一种以参数或计算中间结果精度下降换空间节省（以及同时带来的性能提升）的策略。

正式介绍 LMDeploy 量化方案前，需要先介绍两个概念：

• 计算密集（compute-bound）: 指推理过程中，绝大部分时间消耗在数值计算上；针对计算密集型场景，可以通过使用更快的硬件计算单元来提升计算速。
• 访存密集（memory-bound）: 指推理过程中，绝大部分时间消耗在数据读取上；针对访存密集型场景，一般通过减少访存次数、提高计算访存比或降低访存量来优化。

常见的 LLM 模型由于 Decoder Only 架构的特性，实际推理时大多数的时间都消耗在了逐 Token 生成阶段（Decoding 阶段），是典型的访存密集型场景。

那么，如何优化 LLM 模型推理中的访存密集问题呢？ 我们可以使用KV8量化和W4A16量化。KV8量化是指将逐 Token（Decoding）生成过程中的上下文 K 和 V 中间结果进行 INT8 量化（计算时再反量化），以降低生成过程中的显存占用。W4A16 量化，将 FP16 的模型权重量化为 INT4，Kernel 计算时，访存量直接降为 FP16 模型的 1/4，大幅降低了访存成本。Weight Only 是指仅量化权重，数值计算依然采用 FP16（需要将 INT4 权重反量化）。

3.1 设置最大KV Cache缓存大小

KV Cache是一种缓存技术，通过存储键值对的形式来复用计算结果，以达到提高性能和降低内存消耗的目的。在大规模训练和推理中，KV Cache可以显著减少重复计算量，从而提升模型的推理速度。理想情况下，KV Cache全部存储于显存，以加快访存速度。当显存空间不足时，也可以将KV Cache放在内存，通过缓存管理器控制将当前需要使用的数据放入显存。

模型在运行时，占用的显存可大致分为三部分：模型参数本身占用的显存、KV Cache占用的显存，以及中间运算结果占用的显存。LMDeploy的KV Cache管理器可以通过设置--cache-max-entry-count参数，控制KV缓存占用剩余显存的最大比例。默认的比例为0.8。

下面通过几个例子，来看一下调整--cache-max-entry-count参数的效果。首先保持不加该参数（默认0.8），运行1.8B模型。

lmdeploy chat /root/internlm2-chat-1_8b
1

与模型对话，查看右上角资源监视器中的显存占用情况。

此时显存占用为7856MB。下面，改变--cache-max-entry-count参数，设为0.5。

lmdeploy chat /root/internlm2-chat-1_8b --cache-max-entry-count 0.5
1

与模型对话，再次查看右上角资源监视器中的显存占用情况。

看到显存占用明显降低，变为6608M。

下面来一波“极限”，把--cache-max-entry-count参数设置为0.01，约等于禁止KV Cache占用显存。

lmdeploy chat /root/internlm2-chat-1_8b --cache-max-entry-count 0.01
1

然后与模型对话，可以看到，此时显存占用仅为4560MB，代价是会降低模型推理速度。

3.2 使用W4A16量化

LMDeploy使用AWQ算法，实现模型4bit权重量化。推理引擎TurboMind提供了非常高效的4bit推理cuda kernel，性能是FP16的2.4倍以上。它支持以下NVIDIA显卡：

• 图灵架构（sm75）：20系列、T4
• 安培架构（sm80,sm86）：30系列、A10、A16、A30、A100
• Ada Lovelace架构（sm90）：40 系列

运行前，首先安装一个依赖库。

pip install einops==0.7.0
1

仅需执行一条命令，就可以完成模型量化工作。

lmdeploy lite auto_awq \
   /root/internlm2-chat-1_8b \
  --calib-dataset 'ptb' \
  --calib-samples 128 \
  --calib-seqlen 1024 \
  --w-bits 4 \
  --w-group-size 128 \
  --work-dir /root/internlm2-chat-1_8b-4bit
1
2
3
4
5
6
7
8

运行时间较长，请耐心等待。量化工作结束后，新的HF模型被保存到internlm2-chat-1_8b-4bit目录。下面使用Chat功能运行W4A16量化后的模型。

lmdeploy chat /root/internlm2-chat-1_8b-4bit --model-format awq
1

为了更加明显体会到W4A16的作用，我们将KV Cache比例再次调为0.01，查看显存占用情况。

lmdeploy chat /root/internlm2-chat-1_8b-4bit --model-format awq --cache-max-entry-count 0.01
1

可以看到，显存占用变为2472MB，明显降低。

拓展内容：有关LMDeploy的lite功能的更多参数可通过-h命令查看。

lmdeploy lite -h
1

4.LMDeploy服务(serve)

在第二章和第三章，我们都是在本地直接推理大模型，这种方式成为本地部署。在生产环境下，我们有时会将大模型封装为API接口服务，供客户端访问。

我们来看下面一张架构图：

我们把从架构上把整个服务流程分成下面几个模块。

• 模型推理/服务。主要提供模型本身的推理，一般来说可以和具体业务解耦，专注模型推理本身性能的优化。可以以模块、API等多种方式提供。
• API Server。中间协议层，把后端推理/服务通过HTTP，gRPC或其他形式的接口，供前端调用。
• Client。可以理解为前端，与用户交互的地方。通过通过网页端/命令行去调用API接口，获取模型推理/服务。

值得说明的是，以上的划分是一个相对完整的模型，但在实际中这并不是绝对的。比如可以把“模型推理”和“API Server”合并，有的甚至是三个流程打包在一起提供服务。

4.1 启动API服务器

通过以下命令启动API服务器，推理internlm2-chat-1_8b模型：

lmdeploy serve api_server \
    /root/internlm2-chat-1_8b \
    --model-format hf \
    --quant-policy 0 \
    --server-name 0.0.0.0 \
    --server-port 23333 \
    --tp 1
1
2
3
4
5
6
7

其中，model-format、quant-policy这些参数是与第三章中量化推理模型一致的；server-name和server-port表示API服务器的服务IP与服务端口；tp参数表示并行数量（GPU数量）。

通过运行以上指令，我们成功启动了API服务器，请勿关闭该窗口，后面我们要新建客户端连接该服务。

可以通过运行一下指令，查看更多参数及使用方法：

lmdeploy serve api_server -h
1

你也可以直接打开http://{host}:23333查看接口的具体使用说明，如下图所示。

注意，这一步由于Server在远程服务器上，所以本地需要做一下ssh转发才能直接访问。在你本地打开一个cmd窗口，输入命令如下：

ssh -CNg -L 23333:127.0.0.1:23333 root@ssh.intern-ai.org.cn -p <你的ssh端口号>
1

ssh 端口号就是下面图片里的 39864，请替换为你自己的。

然后打开浏览器，访问http://127.0.0.1:23333。

4.2 命令行客户端连接API服务器

在“4.1”中，我们在终端里新开了一个API服务器。

本节中，我们要新建一个命令行客户端去连接API服务器。首先通过VS Code新建一个终端：

激活conda环境。

conda activate lmdeploy
1

运行命令行客户端：

lmdeploy serve api_client http://localhost:23333
1

运行后，可以通过命令行窗口直接与模型对话：

现在你使用的架构是这样的：

4.3 网页客户端连接API服务器

关闭刚刚的VSCode终端，但服务器端的终端不要关闭。

新建一个VSCode终端，激活conda环境。

conda activate lmdeploy
1

使用Gradio作为前端，启动网页客户端。

lmdeploy serve gradio http://localhost:23333 \
    --server-name 0.0.0.0 \
    --server-port 6006
1
2
3

运行命令后，网页客户端启动。在电脑本地新建一个cmd终端，新开一个转发端口：

ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p <你的ssh端口号>
1

打开浏览器，访问地址http://127.0.0.1:6006

然后就可以与模型进行对话了！

现在你使用的架构是这样的：

5.Python代码集成

在开发项目时，有时我们需要将大模型推理集成到Python代码里面。

5.1 Python代码集成运行1.8B模型

首先激活conda环境。

conda activate lmdeploy
1

新建Python源代码文件pipeline.py。

touch /root/pipeline.py
1

打开pipeline.py，填入以下内容。

from lmdeploy import pipeline  # 导入lmdeploy模块中的pipeline函数

# 创建语言模型管道对象，指定模型路径
pipe = pipeline('/root/internlm2-chat-1_8b')

# 使用语言模型管道处理多个输入文本，获取响应结果
response = pipe(['Hi, pls intro yourself', '上海是'])

print(response)  # 打印语言模型管道的响应结果
1
2
3
4
5
6
7
8
9

代码解读：\

• 第1行，引入lmdeploy的pipeline模块 \
• 第3行，从目录“./internlm2-chat-1_8b”加载HF模型 \
• 第4行，运行pipeline，这里采用了批处理的方式，用一个列表包含两个输入，lmdeploy同时推理两个输入，产生两个输出结果，结果返回给response \
• 第5行，输出response

保存后运行代码文件：

python /root/pipeline.py
1

5.2 向TurboMind后端传递参数

在第3章，我们通过向lmdeploy传递附加参数，实现模型的量化推理，及设置KV Cache最大占用比例。在Python代码中，可以通过创建TurbomindEngineConfig，向lmdeploy传递参数。

以设置KV Cache占用比例为例，新建python文件pipeline_kv.py。

touch /root/pipeline_kv.py
1

打开pipeline_kv.py，填入如下内容：

from lmdeploy import pipeline, TurbomindEngineConfig  # 导入lmdeploy模块中的pipeline和TurbomindEngineConfig类

# 调低 k/v cache内存占比调整为总显存的 20%
# 创建Turbomind引擎配置对象，设置缓存最大条目数占总显存的比例为20%
backend_config = TurbomindEngineConfig(cache_max_entry_count=0.2)

# 创建语言模型管道对象，并指定模型路径和后端配置
pipe = pipeline('/root/internlm2-chat-1_8b', backend_config=backend_config)

# 使用语言模型管道处理多个输入文本，获取响应结果
response = pipe(['Hi, pls intro yourself', '上海是'])
print(response)  # 打印语言模型管道的响应结果
1
2
3
4
5
6
7
8
9
10
11
12

保存后运行python代码：

python /root/pipeline_kv.py
1

得到输出结果：

6.拓展部分

6.1 使用LMDeploy运行视觉多模态大模型llava

最新版本的LMDeploy支持了llava多模态模型，下面演示使用pipeline推理llava-v1.6-7b。注意，运行本pipeline最低需要30%的InternStudio开发机，请完成基础作业后向助教申请权限。

首先激活conda环境。

conda activate lmdeploy
1

安装llava依赖库。

pip install git+https://github.com/haotian-liu/LLaVA.git@4e2277a060da264c4f21b364c867cc622c945874
1

新建一个python文件，比如pipeline_llava.py。

touch /root/pipeline_llava.py
1

打开pipeline_llava.py，填入内容如下：

from lmdeploy import pipeline
from lmdeploy.vl import load_image

# pipe = pipeline('liuhaotian/llava-v1.6-vicuna-7b') 非开发机运行此命令
pipe = pipeline('/share/new_models/liuhaotian/llava-v1.6-vicuna-7b')

image = load_image('https://raw.githubusercontent.com/open-mmlab/mmdeploy/main/tests/data/tiger.jpeg')
response = pipe(('describe this image', image))
print(response)
1
2
3
4
5
6
7
8
9

代码解读： \

• 第1行引入了lmdeploy的pipeline模块，第2行引入用于载入图片的load_image函数 \
• 第5行创建了pipeline实例 \
• 第7行从github下载了一张关于老虎的图片，如下：
  
• 第8行运行pipeline，输入提示词“describe this image”，和图片，结果返回至response \
• 第9行输出response

保存后运行pipeline。

python /root/pipeline_llava.py
1

得到输出结果：

大意（来自百度翻译）：一只老虎躺在草地上。老虎面对镜头，头微微向一侧倾斜，给人一种好奇或专注的表情。老虎在较浅的背景上有一种独特的深色条纹图案，这是该物种的特征。皮毛是橙色和黑色的混合，深色的条纹垂直向下延伸，浅色的皮毛出现在胸部和腹部。老虎的眼睛睁开，警觉，耳朵竖起，这表明它对周围环境很关注。背景是模糊的绿色区域，表明照片是在户外拍摄的，可能是在自然栖息地或野生动物保护区。这张图片是特写，聚焦于老虎的头部和上身，突出了老虎的特征和皮毛的纹理。照片中没有可见的文字或其他物体，照片的风格是自然的野生动物拍摄，旨在捕捉环境中的动物。

由于官方的Llava模型没有使用中文语料训练，因此如果使用中文提示词，可能会得到出乎意料的结果，比如将提示词改为“请描述一下这张图片”，你可能会得到类似《印度鳄鱼》的回复。

我们也可以通过Gradio来运行llava模型。新建python文件gradio_llava.py。

touch /root/gradio_llava.py
1

打开文件，填入以下内容：

import gradio as gr  # 导入Gradio库，用于构建交互式界面
from lmdeploy import pipeline  # 导入lmdeploy模块中的pipeline函数

# 在开发机上运行时使用此命令
# pipe = pipeline('liuhaotian/llava-v1.6-vicuna-7b')
# 在非开发机上运行时使用此命令
pipe = pipeline('/share/new_models/liuhaotian/llava-v1.6-vicuna-7b')

def model(image, text):  # 定义模型函数，接收图像和文本输入
    if image is None:  # 如果没有上传图片
        return [(text, "请上传一张图片。")]  # 返回提示信息
    else:
        response = pipe((text, image)).text  # 使用语言模型管道处理文本和图像，获取响应文本
        return [(text, response)]  # 返回输入文本和响应文本的对话

# 创建Gradio界面
demo = gr.Interface(fn=model, inputs=[gr.Image(type="pil"), gr.Textbox()], outputs=gr.Chatbot())
demo.launch()  # 启动Gradio界面，显示交互式界面供用户使用
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

运行python程序。

python /root/gradio_llava.py
1

通过ssh转发一下7860端口。

ssh -CNg -L 7860:127.0.0.1:7860 root@ssh.intern-ai.org.cn -p <你的ssh端口>
1

通过浏览器访问http://127.0.0.1:7860。

然后就可以使用啦~

6.2 使用LMDeploy运行第三方大模型

LMDeploy不仅支持运行InternLM系列大模型，还支持其他第三方大模型。支持的模型列表如下：

可以从Modelscope，OpenXLab下载相应的HF模型，下载好HF模型，下面的步骤就和使用LMDeploy运行InternLM2一样啦~

6.3 定量比较LMDeploy与Transformer库的推理速度差异

为了直观感受LMDeploy与Transformer库推理速度的差异，让我们来编写一个速度测试脚本。测试环境是30%的InternStudio开发机。

先来测试一波Transformer库推理Internlm2-chat-1.8b的速度，新建python文件，命名为benchmark_transformer.py，填入以下内容：

import torch  # 导入PyTorch库，用于深度学习任务
import datetime  # 导入datetime模块，用于处理日期和时间
from transformers import AutoTokenizer, AutoModelForCausalLM  # 从transformers库中导入AutoTokenizer和AutoModelForCausalLM类

tokenizer = AutoTokenizer.from_pretrained("/root/internlm2-chat-1_8b", trust_remote_code=True)  # 加载预训练的分词器

# 使用float16数据类型加载模型，加速运算并降低内存消耗
model = AutoModelForCausalLM.from_pretrained("/root/internlm2-chat-1_8b", torch_dtype=torch.float16, trust_remote_code=True).cuda()
model = model.eval()  # 将模型设置为评估模式，避免梯度计算和参数更新

# warmup
inp = "hello"  # 定义输入文本
for i in range(5):  # 进行5次循环，用于预热模型
    print("Warm up...[{}/5]".format(i+1))  # 打印预热状态信息
    response, history = model.chat(tokenizer, inp, history=[])  # 使用模型进行对话并获取响应

# test speed
inp = "请介绍一下你自己。"  # 定义测试速度的输入文本
times = 10  # 设置测试次数
total_words = 0  # 初始化总词数
start_time = datetime.datetime.now()  # 记录开始时间
for i in range(times):  # 进行指定次数的循环，用于测试速度
    response, history = model.chat(tokenizer, inp, history=history)  # 使用模型进行对话并获取响应
    total_words += len(response)  # 计算每次响应的词数并累加到总词数中
end_time = datetime.datetime.now()  # 记录结束时间

delta_time = end_time - start_time  # 计算时间差
delta_time = delta_time.seconds + delta_time.microseconds / 1000000.0  # 将时间差转换为秒
speed = total_words / delta_time  # 计算速度（平均每秒处理的词数）
print("Speed: {:.3f} words/s".format(speed))  # 打印测试结果，显示平均每秒处理的词数

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

运行python脚本：

python benchmark_transformer.py
1

得到运行结果：

可以看到，Transformer库的推理速度约为78.675 words/s，注意单位是words/s，不是token/s，word和token在数量上可以近似认为成线性关系。

下面来测试一下LMDeploy的推理速度，新建python文件benchmark_lmdeploy.py，填入以下内容：

import datetime  # 导入datetime模块，用于处理日期和时间
from lmdeploy import pipeline  # 导入lmdeploy模块中的pipeline函数，用于加载语言模型管道

pipe = pipeline('/root/internlm2-chat-1_8b')  # 创建语言模型管道对象，指定模型路径

# warmup
inp = "hello"  # 定义输入文本
for i in range(5):  # 进行5次循环，用于预热语言模型
    print("Warm up...[{}/5]".format(i+1))  # 打印预热状态信息
    response = pipe([inp])  # 使用语言模型管道处理输入文本

# test speed
inp = "请介绍一下你自己。"  # 定义测试速度的输入文本
times = 10  # 设置测试次数
total_words = 0  # 初始化总词数
start_time = datetime.datetime.now()  # 记录开始时间
for i in range(times):  # 进行指定次数的循环，用于测试速度
    response = pipe([inp])  # 使用语言模型管道处理输入文本
    total_words += len(response[0].text)  # 计算每次响应的文本长度并累加到总词数中
end_time = datetime.datetime.now()  # 记录结束时间

delta_time = end_time - start_time  # 计算时间差
delta_time = delta_time.seconds + delta_time.microseconds / 1000000.0  # 将时间差转换为秒
speed = total_words / delta_time  # 计算速度（平均每秒处理的词数）
print("Speed: {:.3f} words/s".format(speed))  # 打印测试结果，显示平均每秒处理的词数

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

运行脚本：

python benchmark_lmdeploy.py
1

得到运行结果：

可以看到，LMDeploy的推理速度约为473.690 words/s，是Transformer库的6倍。

课后作业

基础作业（结营必做）

完成以下任务，并将实现过程记录截图：

• 配置lmdeploy运行环境
• 下载internlm-chat-1.8b模型
• 以命令行方式与模型对话

进阶作业

完成以下任务，并将实现过程记录截图：

• 设置KV Cache最大占用比例为0.4，开启W4A16量化，以命令行方式与模型对话。（优秀学员必做）
• 以API Server方式启动 lmdeploy，开启 W4A16量化，调整KV Cache的占用比例为0.4，分别使用命令行客户端与Gradio网页客户端与模型对话。（优秀学员）
• 使用W4A16量化，调整KV Cache的占用比例为0.4，使用Python代码集成的方式运行internlm2-chat-1.8b模型。（优秀学员必做）
• 使用 LMDeploy 运行视觉多模态大模型 llava gradio demo （优秀学员必做）
• 将 LMDeploy Web Demo 部署到 OpenXLab （OpenXLab cuda 12.2 的镜像还没有 ready，可先跳过，一周之后再来做）